点云分割作为三维点云数据处理的关键环节,可以实现定位、对象识别、分类和特征提取,因此点云分割是实现场景分析的重要部分,精确、鲁棒地分割出目标点云对三维点云数据处理具有重要意义。点云数据可以提供高精确度的三维信息,但是存在点云密度受距离影响、三维点分布无规则等问题,因此直接对点云进行分割会出现显著的欠分割或过分割现象。基于此背景,本文对点云分割算法进行调研,选择了复杂度低、适用性广泛、算法思想简单的区域生长点云分割算法与聚类点云分割算法进行研究。图像数据分辨率高,可以提供丰富的颜色与纹理信息,与点云数据融合后有较强的互补性,因此本文借助图像与点云融合对两种算法进行改进。本文具体研究内容如下:（1）图像与点云数据采集系统搭建及标定。相机和激光雷达具有各自的传感器坐标系,实现二者数据的融合需要获取二者的外参来实现坐标转换。在采集两种数据时三维激光雷达的分辨率需要与RGB相机视界范围相匹配,为此本文设计了一套三维点云成像系统来搭建数据采集系统,并利用棋盘格平面构建出相机与激光雷达坐标之间的约束关系,求解出相机与激光雷达外参,最后结合相机内参构建出转换关系。（2）融合图像边缘的区域生长点云分割算法。传统的区域生长点云分割算法经常因种子点选取不当或者生长策略设计不当使分割结果出现欠分割或过分割现象。针对以上问题,本文借助图像提取出目标点云边缘,根据边缘性质设计出相关生长策略,最后以边缘点为种子点进行区域生长。（3）融合图像质心的聚类点云分割算法。传统的聚类点云分割算法经常因类别数量定义不当、聚类中心选择不当或聚类准则设计不当使分割结果出现欠分割或过分割现象。针对以上问题,本文借助图像质心提取出目标点云中心点,再结合目标点云中心点与原始点云类别点计算出原始点云中所有点与目标点云类别的关联度,最后根据关联度阈值对点云中的三维点进行类别划分。为了验证本文提出算法的有效性,本文对数据采集系统的标定结果进行误差分析,验证了标定方法可以以较高的精确度融合图像与点云,使得标定产生的偏移误差基本不会影响到后续实验。最后将本文提出的两种点云分割算法分别与当前的主流点云分割算法在同样的数据集上进行实验,并统计实验结果的欠分割率,过分割率和交并比作为评价标准。实验结果表明,本文提出的两种点云分割算法可以从数据量大的稠密点云中以较高的精确度分割出目标点云,可以有效避免欠分割与过分割现象。